مهندسی هوش مصنوعی (AI Engineering)

اگر می‌خواهید مهندس هوش مصنوعی (AI Engineer) شوید، لزوما نیازی به مدرک علوم کامپیوتر ندارید؛ اما آنچه قطعا به آن نیاز دارید، مهارت‌های مناسب و درک اصول پایه است. در این مقاله، قصد داریم دقیقا بررسی کنیم که یک مهندس هوش مصنوعی واقعا کیست، چه مجموعه مهارت‌هایی را باید بیاموزد و چه پروژه‌هایی می‌تواند به اثبات این مهارت‌ها به کارفرمایان بالقوه کمک کند.

ظهور شاخه مهندسی هوش مصنوعی (AI Engineering)

چند سال پیش، مسیر ورود به دنیای فناوری کاملا سرراست بود. یک مدرک می‌گرفتید، چند دوره کارآموزی می‌گذراندید، روی چالش‌های کدنویسی حسابی وقت می‌گذاشتید و امیدوار بودید که یک کارفرما با شما تماس بگیرد. اما اخیرا اوضاع تغییر کرده است. ابزارهای کدنویسی هوش مصنوعی، تولید کد را بسیار آسان کرده‌اند؛ به این معنی که دیگر خود کدنویسی بخش سخت ماجرا نیست؛ بلکه بخش سخت، قضاوت و تصمیم‌گیری است.

توانایی گرفتن تصمیمات درست برای موقعیت‌هایی مانند نحوه ساختاردهی به برنامه‌ها، دانستن اینکه چه چیزی باید ساخته شود و به‌طور خاص اینکه چرا یک رویکرد نسبت به رویکرد دیگر ارجحیت دارد، بسیار حیاتی است. این مهارتی است که کلاس درس همیشه نمی‌تواند به شما آموزش دهد، اما قطعا می‌توانید با انجام پروژه‌های عملی آن را یاد بگیرید.

پس سوال اصلی این است:

برای تبدیل شدن به یک مهندس هوش مصنوعی دقیقا چه چیزی باید یاد بگیرید و چگونه می‌توانید آن را به کارفرمایان نشان دهید؟

مهندس هوش مصنوعی کیست؟ (تفاوت با پژوهشگر یادگیری ماشین)

اول از همه، باید بدانیم که این اصطلاح کاملا جدید است. یک مهندس هوش مصنوعی، یک پژوهشگر یادگیری ماشین (ML Researcher) نیست. بیایید با تعریف این دو، تفاوت آنها را ذهن خود پررنگ کنیم:

• پژوهشگر یادگیری ماشین: کسی است که مدل‌های پایه (Foundational Models) را از صفر آموزش می‌دهد. مقالاتی درباره آن مدل‌ها و معماری‌های جدید منتشر می‌کند. این موقعیت شغلی معمولا به دانش عمیق ریاضیات و اغلب یک مدرک تحصیلات تکمیلی نیاز دارد. در واقع کسانی که موتور را می‌سازند.
• مهندس هوش مصنوعی: با مدل‌هایی که از قبل وجود دارند محصول می‌سازید. از مدل‌های پیشرو (Frontier) یا متن‌باز (Open Source) استفاده می‌کنید و آن‌ها را به سیستمی متصل می‌کنید که یک کار مفید انجام می‌دهد. این کار شامل اتصال مدل به داده‌ها، دادن دسترسی به ابزارها و اطلاعات خارجی، ایجاد حلقه‌های حافظه (Memory Loops)، چهارچوب‌های ایمنی (Guardrails) و قابلیت‌های دیگری است که مدل را به یک راه‌حل کاربردی در دنیای واقعی تبدیل می‌کند. شما در واقع کسی هستید که ماشین را می‌سازد.

در حال حاضر با سیل ورود مدل‌های جدید، دنیا به شدت به افراد بیشتری نیاز دارد که بتوانند این ماشین‌ها و راه‌حل‌های هوش مصنوعی را برای سازمان‌ها بسازند.

نقشه راه یادگیری مهندسی هوش مصنوعی

برای یادگیری مهندسی هوش مصنوعی، اصول کار به سه سطح تقسیم می‌شود. رعایت این ترتیب بسیار مهم است. بسیاری از افراد پایه‌ریزی را رها می‌کنند و مستقیما وارد ساختن ایجنت‌ها (Agents) یا استقرار آن‌ها می‌شوند. پیش از آنکه بتوانند داده‌ها را مدیریت کنند یا زیرساخت را درک کنند؛ در نتیجه بعدا باید برگردند و زمان زیادی را صرف یادگیری مجدد اصول اولیه می‌کنند. درادامه، درباره سه سطح کلیدی در نقشه راه یادگیری هوش مصنوعی توضیح داده می‌شود.

سطح اول: مهارت‌های پایه (Foundations)

این موارد مختص هوش مصنوعی نیستند، اما مطلقا نمی‌توانید بدون آن‌ها چیزی بسازید:

• زبان برنامه‌نویسی پایتون (Python): لازم نیست یک جادوگر تمام‌عیار در پایتون باشید. اما باید به اندازه‌ای تسلط داشته باشید که بتوانید کدهایی که هوش مصنوعی می‌نویسد را بخوانید و درک کنید. بسیاری از کتابخانه‌های یادگیری ماشین و پکیج‌های هوش مصنوعی (مانند PyTorch و TensorFlow) در زیربنای خود از پایتون استفاده می‌کنند.
• ابزارهای توسعه (Git، CLI و Linux): شما قرار است پروژه‌ها و دایرکتوری‌ها را بسازید و با دیگران به اشتراک بگذارید. بنابراین درک Git، توانایی کار با ابزارهای خط فرمان (CLI) و آشنایی با لینوکس (Linux) بسیار مهم است. زیرا سیستم‌عامل میزبان ایجنت‌های شما عموما لینوکس خواهد بود.
• رابط‌های برنامه‌نویسی کاربردی (APIs): API روشی است که دو نرم‌افزار مختلف را به هم متصل می‌کند. شما قرار است مدل‌ها را به صورت برنامه‌نویسی‌شده فراخوانی کنید، پاسخ‌ها را مدیریت کنید و با محدودیت‌های نرخ درخواست (Rate Limits) سروکله بزنید. هر محصول هوش مصنوعی که می‌سازید، اساسا شامل فراخوانی‌های ساختاریافته API بین برنامه شما، مدل و ابزارهای مختلف است.

سطح دوم: مهارت‌های تخصصی مهندسی هوش مصنوعی

در این سطح، وارد مفاهیم تخصصی و کاربردی هوش مصنوعی می‌شوید:

• امبدینگ‌ها (Embeddings) و جستجوی برداری (Vector Search): این مهارت به شما اجازه می‌دهد اطلاعات یک سند (Document) را وارد پنجره کانتکست (Context Window) یک مدل زبانی بزرگ کنید. امبدینگ‌ها به سیستم کمک می‌کنند تا به جای تطبیق کلمات کلیدی، معنی را درک کند. متن را (از فرمت‌هایی مثل PDF) به بردارهای عددی تبدیل می‌کنید و بر اساس شباهت جستجو می‌کنید (مثلا درک شباهت کلمه Kubernetes به Containers).
• تولید افزوده بازیابی‌محور (RAG): RAG مخفف Retrieval-Augmented Generation است. این تکنیک به مدل اجازه می‌دهد تا برای اطلاعات خاص (مثل سیاست‌های شرکت) نتایج دقیقی ارائه دهد و از توهم (Hallucination) جلوگیری کند. در پایپ‌لاین RAG، اسناد به قطعات کوچک (Chunk) تقسیم شده، به بردار تبدیل و ذخیره می‌شوند. هنگام پرسش کاربر، اطلاعات مرتبط بازیابی شده و همراه با سوال به مدل داده می‌شود تا پاسخی دقیق و مستند به زبان طبیعی تولید کند.
• عامل‌ها (Agents) و استفاده از ابزار: در حالی که یک گردش‌کار (Workflow) مسیری از پیش تعریف‌شده (مراحل الف، ب، پ) دارد، یک عامل می‌تواند به صورت پویا تصمیم بگیرد که قدم بعدی چیست. عامل‌ها ابزارها را فراخوانی می‌کنند، نتایج را می‌بینند و در یک حلقه تصمیم‌گیری می‌کنند. ساختن این حلقه‌ها به شکلی قابل‌اطمینان و در مقیاس بالا، معیار یک مهندس هوش مصنوعی خوب است. این احتمالا پرتقاضاترین مهارت کاربردی هوش مصنوعی در حال حاضر است.

سطح سوم: عرضه و استقرار سیستم‌ها (Deployment & Operations)

برای ایجاد ارزش واقعی، پروژه‌ها باید از لپ‌تاپ شما خارج شده و به دست کاربران برسند:

• کانتینرسازی (Containerization): شما باید بتوانید عامل هوش مصنوعی و مدل خود را پکیج کنید تا در محیط‌های مختلف در سراسر کلاد ترکیبی مستقر شود. ابزارهایی مانند Docker و Kubernetes در اینجا حیاتی هستند.
• مشاهده‌پذیری (Observability): وقتی یک عامل تصمیم نهایی را می‌گیرد (مثلا پس از جستجو در چند پایگاه داده)، شما باید بتوانید دلیل آن تصمیم را درک کنید. مشاهده‌پذیری برای شفافیت و جلب اعتماد در هوش مصنوعی ضروری است.
• نظارت (Monitoring): باید اطمینان حاصل کنید که هزینه‌های مصرف توکن (Token) از کنترل خارج نمی‌شود و سیستم از نظر امنیتی ایمن است.

ابزارهای توسعه مدرن می‌توانند استقرار روی سرورهای فیزیکی اختصاصی (Bare Metal) یا سرویس‌های ابری (Cloud) را بسیار سریع‌تر کنند.

سه کاربرد اصلی و پروژه پیشنهادی برای ورود به بازار کار AI Engineering

بر اساس مهارت‌های سطوح بالاتر، در حال حاضر بیشتر کاربردهای هوش مصنوعی در محیط واقعی (Production) شامل این سه مورد است. ساختن پروژه در این حوزه‌ها می‌تواند رزومه شما را متمایز کند:

• سیستم‌های مبتنی بر RAG: ساخت سیستم‌های دانشی برای پشتیبانی منابع انسانی، بیمارستان‌ها و چت‌بات‌های آنلاین که به کاربران اجازه می‌دهد سوالات خود را بپرسند و پاسخ‌های کاملا مستند از پایگاه داده سازمان دریافت کنند.
• توسعه عامل‌ها و ابزارها (Agents & Tools): طراحی ایجنتی که می‌تواند در یک پایگاه داده پرس‌وجو کند، داده‌ها را مصورسازی کند و کارهایی را انجام دهد که پیش از این تنها یک متخصص انسانی قادر به انجام آن بود.
• ابزارهای کمک به استقرار برنامه‌ها: استفاده از هوش مصنوعی برای کمک به مهندسان نرم‌افزار تا کدهای خود را به جای چند هفته، در عرض چند ساعت عرضه و مستقر کنند.

توصیه می‌شود در این حوزه‌های خاص، با توجه به علایق شخصی خود پروژه‌هایی بسازید،. زیرا این کار برای مسیر شغلی و کسب تجربه عملی شما بسیار ارزشمند خواهد بود.

اکنون می‌دانید که مهندسان هوش مصنوعی دقیقا چه کار می‌کنند؛ آن‌ها با استفاده از این سه سطح مهارت، سیستم‌هایی کاربردی پیرامون مدل‌های زبانی می‌سازند. شما هم می‌توانید از همین امروز ساختن را شروع کنید.

از همراهی شما در این مقاله سپاسگزاریم. اگر این مطلب برای شما مفید بود، آن را با دیگران به اشتراک بگذارید و منتظر مقالات بعدی ما باشید.

منبع